TUGAS APLIKASI TUTORIAL OPERATIONAL RESEARCH 1

OPTIMASI PENJADWALAN JUMLAH PERAWAT DENGAN

MENGGUNAKAN LINEAR PROGRAMMING
MENGGUNAKAN SOFTWARE LINGO

OLEH:
RIVANDY ABRAR

ASISTEN PENGAMPU:
REKI AZURA PRATAMA

LABORATORIUM PERENCANAAN DAN OPTIMASI SISTEM

INDUSTRI
JURUSAN TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS ANDALAS
2020
 DAFTAR ISI

DAFTAR ISI...........................................................................................................2

DAFTAR TABEL..................................................................................................3

DAFTAR GAMBAR..............................................................................................4

BAB I PERMASALAHAN STUDI KASUS........................................................5

BAB II LANDASAN TEORI................................................................................6

2.1 Metode Linear...........................................................................................6

2.2 Software Lingo..........................................................................................7

2.3 Analisis Sensitivitas..................................................................................8

BAB III PERHITUNGAN DAN PENGOLAHAN DATA...............................10

3.1 Pemodelan Programa Linear...................................................................10

3.2 Langkah-Langkah Pengolahan Data Menggunakan Lingo.....................14

3.3 Hasil Pengolahan Data............................................................................17

BAB IV ANALISIS..............................................................................................19

4.1 Analisis Hasil Perhitungan......................................................................19

4.2 Analisis Sensitivitas................................................................................20

BAB V PENUTUP................................................................................................28

5.1. Kesimpulan..............................................................................................28

5.2. Saran........................................................................................................28

DAFTAR PUSTAKA

2
DAFTAR TABEL

3
DAFTAR GAMBAR

4
 BAB I

PERMASALAHAN STUDI KASUS

Pada perkembangan zaman saat ini, industri manufaktur ditantang untuk

memproduksi barang dengan kualitas yang bagus, kuantitas, waktu yang tepat,
dan tentunya dengan meminimumkan biaya dan memaksimalkan keuntungan
untuk keberlangsungan hidup mereka. Tujuan dari setiap organisasi, perusahaan,
dan firma adalah untuk membuat keuntungan yang akan menjamin keberadaan
dan produktivitas yang berkelanjutan. Linear programming adalah model
matematika yang bisa menentukan alokasi terbaik dari sumber firma yang terbatas
untuk mencapai tujuan yang optimal[1].

Mempelajari biaya produksi bahan baku yang optimal adalah hasil akhir
dari produksi dengan menggunakan penyelesaian linear programming untuk
menyelesaikan dan untuk mengoptimasi produksi tiap bulan. Berdasarkan hasil
mereka, tiap bulan dapat produksi secara optimal sebesar 1.2252E-08. Perusahaan
harus menganggarkan setidaknya hasl optimal untuk mencapai biaya produksi
bulanan mereka. Hasilnya dapat membantu perusahaan untuk mengeleminasi hal
yang tidak dibutuhkan yang menimbulkan pada biaya produksi mereka[1].

Perusahaan ini ingin mengoptimalkan keuntungan produksi mereka

dengan menggunakan linear programming untuk memeriksa biaya produksi
mereka dan menentukan keuntungan optimal mereka. Perusahaan ini
memrpoduksi roti dengan berbagai macam roti, yaitu family loaf, sliced family
breads, chocolate loaf, medium size bread, small size bread. Perusahaan
menginginkan berapa optimal produksi tiap bulan mereka utnuk masing-masing
produk yang mereka produksi[1].

5
 BAB II

LANDASAN TEORI

Bab ini berisikan tentang penjelasan materi metode linear, software lingo,
serta analisis sensitivitas.

2.1 Metode Linear

Pemodelan matematis untuk menyelesaikan permasalahan pada jurnal ini

akan menghasilkan solusi yang optimal dengan menggunakan metode linear.

Linear programming merupakan metode matematik dalam menglokasikan

sumber daya yang terbatas untuk mencapai suatu tujuan seperti memaksimumkan
keuntungan dan meminimasikan biaya. Linear Programming (LP) banyak
diterapkan dalam masalah ekonomi, industri, militer, sosial, dan lain – lain. Linear
Programming berkaitan dengan penjelasan suatu kasus dunia nyata sebagai model
matematik yang terdiri dari sebuah fungsi tujuan linear dengan beberapa kendala
linear(Siringoringo,2005)[4].

Model pemograman linear mempunyai tiga unsur utama (Ibnas, 2014),

yaitu[4] :

a. Variabel Keputusan

Variabel keputusan adalah variabel persoalan yang mempengaruhi nilai

tujuan yang di capai. Didalam proses pemodelan, penemuan variabel keputusan
tersebut harus dilakukan terlebih dahulu sebelum merumuskan fungsi tujuan dan
kendala – kendalanya. Biasanya digunakan variabel X1, X2,..., Xn dan Y1,
Y2,...,Yn.

6
b. Fungsi Tujuan

Fungsi tujuan dalam model pemograman linear tujuan yang hendak

dicapai harus diwujudkan kedalam sebuah fungsi matematika linear. Selanjutnya,
fungsi ini dimaksimumkan atau diminimumkan terhadap kendala – kendala yang
ada. Beberapa contoh tujuan yang hendak dicapai oleh pabrik manajemen adalah
maksimasi laba perusahaan, minimasi biaya distribusi, dan lain sebagainya.

Mak Z =
a1 x 1 + a2 x 2 +.. .+a n x n
...(1)

c. Kendala Fungsional

Kendala fungsional merupakan berbagai kendala yang dihadapi untuk

mencapai tujuan-tujuannya.
a1 x 1 +a2 x 2 +.. .+a n x n≤bi ...(2)

d. Pembatas Non Negatif

Pembatas non negatif merupakan yang membatasi nilai dari variabel agar
tidak ada yang negatif pada variabel tersebut.
x 1 ,x2 ,. .. ,x n ≥0 ...(3)

2.2 Software Lingo

Lingo adalah software yang komprehensif yang dirancang untuk membuat

bangunan dan memecahkan Linear Nonlinear (convex & nonconvex/Global),
Quadratic, Quadratically Constrained, Second Order Cone, Stochastic, dan
Integer optimization lebih cepat, lebih mudah, dan lebih efisien. Lingo
dikembangkan mulai tahun 1988 oleh LINDO system Inc.. Lingo merupakan
software yang menggunakan bahasa pemrograman yang user friendly. Beberapa
contoh pengkodingan lingo adalah @for dan @sum, contohnya pengulangan

7
@for, artinya konstrain diulang sebanyak yang diinginkan dan @sum artinya
variabel atau parameter akan dijumlahkan berdasarkan indeks variabel tersebut[2].

2.3 Analisis Sensitivitas

Analisis sensitivitas menjelaskan sampai sejauh mana koefisien fungsi

tujuan dan nilai ruas kanan kendala boleh berubah tanpa memengaruhi solusi
optimal(Siswanto, 2006)[3].

Beberapa tahapan dari analisis sensitivitas, sebagai berikut:

1. Perubahan koefisien fungsi tujuan.

Koefisien-koefisien fungsi tujuan mengandung arti kontribusi masing-
masing produk (variabel keputusan) terhadap tujuan (maksimisasi atau
minimisasi). Jadi, perubahan dari koefisien-koefisien fungsi tujuan hanya
berpengaruh terhadap baris pertama (baris fungsi tujuan) dari tabel akhir simplex.

2. Perubahan koefisien Teknis Fungsi Kendala

Perubahan pada koefisien teknis dari fungsi kendala akan berpengaruh
pada nilai-nilai dari sisi kiri pada bentuk dualnya. Akibat yang bisa ditimbulkan
kemungkinan kondisinya menjadi tidak optimal lagi sehingga penyelesaian
dengan simplex harus dilanjutkan sampai terjadi kondisi optimal lagi.

3. Perubahan Nilai Kanan Fungsi Kendala

Perubahan pada nilai kanan dari fungsi kendala artinya ada perubahan
pada kapasitas sumber yang dapat digunakan (baik menjadi lebih kecil =
berkurang atau menjadi lebih besar = bertambah). Makin besar nilai kanan suatu
kendala berarti makin longgar penggunaan sumber. Sebaliknya makin kecil nilai
kanan kendala berarti makin ketat penggunaan sumber. Karena perubahan nilai
kanan berarti perubahan terhadap kapasitas sumber, maka akan berpengaruh
terhadap besarnya nilai variabel keputusan yang dapat menghasilkan kondisi

8
optimal. Karena banyaknya produksi yang harus dihasilkan maka besarnya tujuan
juga akan berubah.

4. Penambahan Kendala Baru

Penambahan kendala (batasan) baru akan mempengaruhi penyelesaian
optimal, apabila kendala baru tersebut aktif. Kendala baru tersebut aktif artinya
belum dicakup oleh kendala-kendala yang sudah ada. Tetapi apabila kendala baru
tersebut tidak aktif (disebut redundant), maka penambahan kendala baru itu tidak
akan mempengaruhi penyelesaian optimal.

5. Penambahan Variabel Baru

Penambahan variabel keputusan baru sebenarnya merupakan gabungan
dari kasus perubahan pada koefisien-koefisien fungsi tujuan dan perubahan pada
koefisienkoefisien teknis fungsi kendala). Adanya tambahan variabel baru
sebenarnya dapat dianggap seolah-olah variabel tersebut sudah ada sebelumnya
hanya koefisiennya adalah nol. Akibat dari adanya variabel yang baru tersebut
akan mempengaruhi penyelesaian optimal, apabila variabel baru tersebut
memperbaharui baris fungsi tujuan tabel simplex optimal.

9
 BAB III

PERHITUNGAN DAN PENGOLAHAN DATA jauh kali

jaraknya. 0 pt kan spasi 1.5. berlaku untuk bab yang lain.

Bab ini berisikan perhitungan dan pengolahan data yang diambil dari
jurnal.

1.1 Pemodelan Programa Linear

Bagian ini berisikan tentang data-data yang diformulasikan untuk

pengolahan data dari perusahaan ini. Data tersebut adalah tepung, ragi, susu,
telur, air, perasa, mentega, gula, garam, natrium benzoat, dan harga jual tiap
produk. Data tersebut dapat dilihat pada tabel berikut: ini tidak 1.5?

Tabel 2.1 Data Tepung

Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 400
2 Family loaf slice 450
3 Chocolate bread 350
4 Medium size loaf 320
5 Small size loaf 200
Kapasitas 9300000

Tabel 2.2 Data Ragi

Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 30
2 Family loaf slice 25
3 Chocolate bread 20
4 Medium size loaf 15
5 Small size loaf 10
Kapasitas 2800000

10
Tabel 2.3 Data Susu
Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 30
2 Family loaf slice 35
3 Chocolate bread 45
4 Medium size loaf 25
5 Small size loaf 15
Kapasitas 6500000

Tabel 2.4 Data Telur

Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 100
2 Family loaf slice 100
3 Chocolate bread 80
4 Medium size loaf 75
5 Small size loaf 50
Kapasitas 6000000

Tabel 2.5 Data Air

Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 280
2 Family loaf slice 280
3 Chocolate bread 220
4 Medium size loaf 180
5 Small size loaf 150
Kapasitas 8800000

Tabel 2.6 Data Perasa

Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 30
2 Family loaf slice 30
3 Chocolate bread 50
4 Medium size loaf 20
5 Small size loaf 10
Kapasitas 1200000

11
Tabel 2.7 Data Mentega
Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 45
2 Family loaf slice 45
3 Chocolate bread 35
4 Medium size loaf 25
5 Small size loaf 15
Kapasitas 1000000

Tabel 2.8 Data Gula

Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 30
2 Family loaf slice 30
3 Chocolate bread 35
4 Medium size loaf 20
5 Small size loaf 10
Kapasitas 1500000

Tabel 2.9 Data Garam

Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 25
2 Family loaf slice 30
3 Chocolate bread 20
4 Medium size loaf 20
5 Small size loaf 15
Kapasitas 1300000

Tabel 2.10 Data Natrium Benzoat

Nomor Produk Tepung yang Dibutuhkan
1 Family loaf 5
2 Family loaf slice 4
3 Chocolate bread 5
4 Medium size loaf 3
5 Small size loaf 4
Kapasitas 750

12
Tabel 2.11 Data Biaya Produksi, Harga Jual, dan Keuntungan
Nomor Nama Produk Biaya Produksi per Roti Harga Jual per Roti Keuntungan
1 Family loaf 220 300 80
2 Family loaf slice 240 300 60
3 Chocolate bread 280 350 70
4 Medium size loaf 150 200 50
5 Small size loaf 70 100 30

Data-data yang diperoleh kemudian diubah menjadi model programa

linear yang nantinya akan diolah dengan menggunakan software Lingo.
Pengubahan data-datanya sebagai berikut:

1. Variabel Keputusan
x 1 = Family loaf
x 2 = Family loaf slice
x 3 = Chocolate bread
x 4 = Medium size loaf
x 5 = Small size loaf

2. Fungsi Tujuan

Max Z =
80x 1 +60x 2 +70x3 +50x 4 +30x 5

3. Fungsi Pembatas
400x 1 + 450x2 + 350x3 + 320x4 +200x 5 ≤9300000
30x1 +25x2 +20x3 +15x 4 +10x 5 ≤2800000
30x1 +35x2 +45x 3 +25x 4 +15x5 ≤6500000
100x1 +100x2 +80x3 +75x 4 +50x 5 ≤6000000
280x1 +280x2 +180x3 + 220x 4 +150x 5 ≤8800000
30x1 +30x2 +50x3 + 20x 4 +10x 5 ≤1200000

13
 45x 1 + 45x2 + 35x3 + 25x 4 +15x 5 ≤1000000
30x1 +30x2 + 45x 3 +20x 4 +10x5 ≤1500000
25x1 +30x2 +20x3 +20x 4 +15x 5 ≤1300000
5x1 + 4x 2 +5x 3 +3x 4 +4x 5 ≤750

3.2 Langkah-Langkah Pengolahan Data Menggunakan Lingo

Pada bagian ini akan dijelaskan bagaimana langka-langkah dalam

mengolah data yang sudah didaptkan menggunakan software Lingo. Berikut
langkah-langkah pengolahan data:
1. Buka aplikasi Lingo

Gambar 3.1 Aplikasi Lingo

2. Input fungsi tujuan dan fungsi kendala.

Gambar 3.2 Input Data

14
3. Setelah input data, klik tombol solve pada menu di software tersebut.

Gambar 3.3 Klik Solve

4. Akan tampil data seperti gambar di bawah ini.

Gambar 3.4 Tampilan Data

5. Dapat dilihat hasil akhir penyelesaian dari masalah ini.

Gambar 3.5 Hasil Akhir

15
 Gambar 3.6 Hasil Akir (Lanjutan)

6. Untuk melihat hasil analisis sensitivitas, klik option pada solver.

Gambar 3.7 Pilih Option

7. Pilih general solver dan ubah pengaturan dual computation yang isinya
prices menjadi prices and range. Lalu, klik save dan Ok.

Gambar 3.8 Pengubahan opsi dual computation

16
8. Kemudian pilih solver dan pilih range.

Gambar 3.9 Pilih solver dan range

9. Hasil sensistivitas akhir

Gambar 3.10 Hasil sensitivitas

Gambar 3.11 Hasil sensitivitas (lanjutan)

(jarak nya berapa spasi? Subbab baru ini?)
3.3 Hasil Pengolahan Data

Berdasarkan data yang didapatkan dari pengolahan data menggunakan

software Lingo, maka solusi yang didapatkan dengan keuntungan yang maksimum
adalah sebesar 12500. Keuntungan maksimum tersebut didapatkan dengan hanya
memproduksi medium size loaf sebanyak 250 roti. Untuk produk selain medium

17
size loaf, tidak ada yang diproduksi agar keuntungan dari penjualan perusahaan ini
menjadi maksimum.

18
 BAB IV

ANALISIS

Bab ini berisikan analisis dari hasil perhitungan dan analisis sensitivitas
yang penyelesaiannya menggunakan software lingo.

4.1 Analisis Hasil Perhitungan

Pada pengolahan data menggunakan software lingo dihasilkan nilai fungsi

tujuan dari permasalahan pada jurnal ini. Nilai fungsi tujuannya adalah 12.500.
Nilai fungsi tujuan menunjukkan gabungan dari jumlah produk-produk yang
dijual. Didapatkan sesuai dengan variabel keputusan bahwa X1 = 0, X2 = 0, X3 =
0, X4 = 250, dan X5 = 0. Ini merupakan hasil optimal dengan jumlah X4 saja
yang dijadikan keuntungan maksimum. Di sini juga terdapat istilah reduced cost
untuk nilai yang bernilai nol dan tidak nol. Reduced cost berguna untuk melihat
apakah nilai dari variabel programa linear tersebut sudah optimal (benarkah?
Terus apa bedanya sama slak or surplus? Coba cari lagi sangkut pautkan dengan
permasalahan maksimasi gimana). Reduced cost yang bernilai nol menunjukkan
proses telah mencapai hasil yang optimum, sedangakan reduced cost yang tak
bernilai nol menjelaskan nilai dari variabel tersebut masih bisa diubah agar
menjadi optimal. Pada permasalahan ini reduced cost yang bernilai nol adalah
variabel X4 sehinnga nilai X4 = 250 menunjukkan hasil yang sudah optimum,
sedangkan variabel X1, X2, X3, dan X5 memiliki reduced cost yang tak nol
sehingga masih bisa untuk diubah agar menjadi hasil yang optimum. Jika nilai
dari X1, X2, X3, dan X5 diubah agar reduced cost menjadi nol, maka nilai dari
fungsi tujuan akan berubah.

Slack or surplus merupakan nilai kelebihan suautu sumber daya yang

digunakan pada kondisi optimum terhadapa sumber daya yang tersedia sebagai
kendala. Pada permasalahan ini terdapat nilai slack or surplus yang nol dan tak

19
nol. Slack or surplus yang bernilai nol memperlihatkan variabel tersebut adalah
variabel basis dan slack or surplus yang bernilai tak nol merupakan perubahan
kendala yang jika diubah kendala tersebut belum berpengaruh pada nilai optimum
fungsi tujuan. Contohkan salah satu dari perhitungan gimana maksudnya?

Dapat dilihat pada hasil akhirnya juga bahwa pada baris pertama itu nilai
dari dual price-nya adalah 1.00. Artinya nilai tersebut akan terja penambahan
setiap satu produk yang menyebabkan fungsi kendala juga akan bertambah
sebesar 1 produk. (contohkan 1 dari perhitungan gimana maksudnya)

4.2 Analisis Sensitivitas

Hasil yang telah didapat dari analisis sensitivitas dapat ditentukan dengan
perubahan parameter dari permasalahan linear programming ini. Terdapat 5
analisis sensitivitas pada linear programming yang dapat dilihat di bawah ini:

4.2.1 Perubahan Fungsi Tujuan

Fungsi tujuan awal:

Max Z =
80x 1 +60x 2 +70x3 +50x 4 +30x 5 ...(4)

Fungsi tujuan akhir:

Max Z =
80x 1 +60x 2 +70x3 +48x 4 +30x 5 ...(5)
Hasil yang didapatkan dapat dilihat sebagai berikut:

20
 Gambar 4.1 Hasil Fungsi Tujuan Terbaru

Dapat dilihat pada fungsi tujuan, koefisien dari X4 ketika diubah dari 50
menjadi 48 nilai dari variabel X4 tetap sama yaitu 250 dan menghasilkan nilai
optimal yang baru, yaitu 12000. Hal ini berarti perubahan koefisien X4 pada
fungsi tujuan tidak akan mengubah nilai dari variabel X4 tersebut.

4.2.2 Perubahan RHS

Pada hasil analisis sensitivitas yang telah dilakukan, terdapat beberapa

kolom yang akan menjelaskan makna dari sisi setiap kolom tersebut. Kolom
pertama adalah current RHS dapat dijelaskan bahwa nilai-nilai tersebut
memeperlihatkan solusi optimal untuk setiap barisnya. Kolom kedua adalah
allowable increase memperlihatkan peningkatan untuk setiap variabel agar solusi
tetap optimal. Dari baris 2 hingga baris 10 terdaapat nilai infinity yang artinya
tidak ada batasan berapa besar peningkatan setiap variabel agar solusi tetap
optimal. Kolom ketiga ada decrease allowable yang menunjukkan besar
penurunan untuk setiap variabel agar solusi tetap optimal. Dari baris 12 hingga 16
terdapat nilai infinity yang artinya tidak ada batasan nilai penurunan setiap
variabel agar solusi tetap optimal. Jika pada allowable increase atau decrease
terjadi peningkatan atau penurunan yang melebihi batasan tersebut, solusi
programa linear tersebut tidak optimal lagi.

21
 Gambar 4.2 Hasil Analisis Sensitivitas

Gambar 4.3 Hasil Analisis Sensitivitas (lanjutan)

4.2.3 Perubahan Aktivitas

Perubahan aktivitas yang akan diubah adalah pada fungsi pembatas kedua

Fungsi kendala awal:

30x1 +25x2 +20x3 +15x 4 +10x 5 ≤2800000 ...(6)
Fungsi kendala setelah peruahan:
30x1 +25x2 +20x3 +13x 4 +10x 5 ≤2800000 ...(7)

22
 Hasil yang didapatkan sebagai berikut:

Gambar 4.4 Hasil Perubahan Fungsi Pembatas

Dapat dilihat bahwa setelah mengubah matriks pada fungsi pembatas

kedua dari 15 menjadi 10, nilai dari fungsi tujuanya tetap sama. Sehingga
solusinya tetap optimal. (rapiin lagi formatnya)

4.2.4 Penambahan Aktivitas Baru

Dilakukan penambahan aktivitas baru yaitu X6. Variabel ini akan

dimasukkan ke setiap fungsi pembatas dan akan dimasukkan ke dalam fungsi
tujuan. Berikut nilai dari fungsi tujuan dan fungsi pembatas dari X6 :

Fungsi tujuan:

Mak Z =
80x 1 +60x 2 +70x3 +50x 4 +30x 5 +40 x 6 ...(8)
Fungsi Pembatas:
400x 1 + 450x2 + 350x3 + 320x4 +200x 5 +150x 6 ≤9300000 ...(9)
30x1 +25x2 +20x3 +15x 4 +10x 5 +20x 6 ≤2800000 ...(10)
30x1 +35x2 + 45x 3 +25x 4 +15x5 +30x6 ≤6500000 ...(11)
100x1 + 100x2 + 80x3 +75x 4 +50x 5 +60x 6 ≤6000000 ...(12)

23
 280x1 +280x2 +180x3 + 220x 4 +150x 5 +100x 6 ≤8800000 ...(13)
30x1 +30x2 + 50x3 + 20x 4 +10x 5 +25x 6 ≤1200000 ...(14)
45x 1 +45x2 + 35x3 +25x 4 +15x 5 +30x 6 ≤1000000 ...(15)
30x1 +30x2 + 45x 3 +20x 4 +10x5 +10x6 ≤1500000 ...(16)
25x1 +30x2 +20x3 +20x 4 +15x 5 +30x 6 ≤1300000 ...(17)
5x1 + 4x 2 +5x 3 +3x 4 +4x 5 +3x 6 ≤750
...(18)

Pembatas non-negatif:
X1,X2,X3,X4,X5,X6 ≥ 0 ...(19)

Dapat dilihat hasilnya pada gambar di bawah ini:

Gambar 4.5 Hasil Analisis Sensitivitas Penambahan Aktivitas Baru

(border gambar jangan lupa)

Dapat dilihat bahwa nilai dari fungsi tujuan tidak ada perubahan. Dapat
disimpulkan bahwa meskipun dengan penambahan aktivitas baru, solusi dari
permasalahan ini tetap optimal.

24
4.2.5 Penambahan Pembatas Baru

Dilakukan penambahan fungsi pembatas pada permasalahan fungsi

pembatas yang dapat dilihat pada persamaan di bawah ini:
Fungsi Tujuan

Max Z =
80x 1 +60x 2 +70x3 +50x 4 +30x 5

Fungsi Pembatas
400x 1 + 450x2 + 350x3 + 320x4 +200x 5 ≤9300000
30x1 +25x2 +20x3 +15x 4 +10x 5 ≤2800000
30x1 +35x2 +45x 3 +25x 4 +15x5 ≤6500000
100x1 +100x2 +80x3 +75x 4 +50x 5 ≤6000000
280x1 +280x2 +180x3 + 220x 4 +150x 5 ≤8800000
30x1 +30x2 +50x3 + 20x 4 +10x 5 ≤1200000
45x 1 + 45x2 + 35x3 + 25x 4 +15x 5 ≤1000000
30x1 +30x2 + 45x 3 +20x 4 +10x5 ≤1500000
25x1 +30x2 +20x3 +20x 4 +15x 5 ≤1300000
5x1 + 4x 2 +5x 3 +3x 4 +4x 5 ≤750
20x1 +50x2 + 60x3 +40x 4 +10x5 ≤2000000

25
 Dapat dilihat hasil analisis sensitivitas penamhan fungsi pembatas pada
gambar di bawah ini:

Gambar 4.6 Hasil Analisis Sensitivitas Penambahan Fungsi Pembatas

Gambar 4.7 Hasil Analisis Sensitivitas Penambahan Fungsi Pembatas (lanjutan)

Dapat dilihat pada hasil analisis sensitivitas penambahan fungsi pembatas

baru bahwasannya hasil yang didapat tetap memiliki nilai yang sama dengan hasil
sebelum ditambahkan penambahan aktivitas baru. Hal ini dapat disimpulkan

26
bahwa setelah penambahan aktivitas baru, permasalahan ini masih tetap optimal
dengan nilai yang sama.

27
 BAB V

PENUTUP

Bab ini berisikan kesimpulan dan saran dari laporan yang telah dibuat.

5.1. Kesimpulan

Berikut merupakan kesimpulan dari laporan ini:

1. Untuk menetapkan jumlah atau kuantitas dari masing-masing variabel
keputusan, dapat dilakukan dengan metode linear agar mendapatkan hasil
yang optimal.
2. Software lingo dapat digunakan untuk menyelesaikan metode linear
dengan mudah dan prosesnya juga cepat.
3. Selain dari menunjukkan hasil optimal, software lingo juga menampilkan
range dari setiap koefisien variabel keputusan agar nilai dari fungsi tujuan
tetap optimal.

5.2. Saran

Berikut merupakan saran yang dapat diberikan berdasarkan pembuatan

laporan ini:
1. Praktikan harus memahami pelajaran tentang metode linear terlebih dahulu
agar bisa memahami penggunaan sofware ini dengan mudah.
2. Jika menemukan kesulitan dalam pembuatan laporan, mintalah berdiskusi
dengan asisten pembimbing atau teman-teman.

Nb: tambahkan apa yang perlu lengkapi laporan cek lagi formatnya)

28
 DAFTAR PUSTAKA

[1] Bukari, H. I. 2019. Optimization Principle and It’s Application in Optimizing

Landmark University Bakery Production using Linear Programming.
Nigeria: Landmark University

[2] Kello, Alfian, dkk. 2017. Optimalisasi Tingkat Keuntungan Dengan

Pengembangan Model Jadwal Panen Tomat Menggunakan Metode MILP
Dengan Pendekatan Rolling Scheduling. Banten: Universitas Sultan
Ageng Tirtayasa

[3] Putri, Intan Ferdiana. 2019. Analisis Sensitivitas pada Optimalisasi

Keuntungan Produsen Tape Sumber Madu Berbantuan Software QM for
Windows V5 sebagai Monograf. Jember: Universitas Jember

[4] Supriyadi, dkk. 2017. Implementasi Linear Programming untuk

Memaksimalkan Keuntungan. Banten: Universitas Serang Raya

29